10318

تشخيص ناهنجاري با استفاده از شبكه هاي يادگيري عميق براي داده هاي با ابعاد بالا

1399

دكتر احمد اكبري ازيراني

تشخيص ناهنجاري، تشخيص داده¬ي پرت يا شناسايي داده¬ي جديد سال¬ها موردتوجه محققان بوده است. در سطح انتزاعي، ناهنجاري به¬عنوان الگويي تعريف ميشود كه مطابق با رفتار طبيعي مورد انتظار ما نيست. عوامل مختلفي، اين رويكرد به¬ظاهر ساده را با چالش روبرو كرده است. روش¬هاي متعدد تشخيص داده پرت در زمينه¬هاي تشخيص نفوذ در شبكه، تشخيص تقلب كارت اعتباري، حوزه سلامت عمومي و پزشكي، تشخيص خرابي در واحد مكانيكي، پردازش تصوير و غيره نياز به بررسي و مطالعه روش¬هاي موجود را آشكارتر مي¬نمايد. برخي از پيچيدگي¬ها و چالش¬هاي منحصربه¬فرد نياز به رويكردهاي پيشرفته دارند. در سال¬هاي اخير يادگيري عميق بهبود چشم¬گيري در برطرف¬كردن چالش¬هاي اين حوزه داشته و كمك شاياني در استخراج ويژگي و امتياز¬دهي به ناهنجاري¬ها دارد. در اين سمينار، پس از مرور مفاهيم ناهنجاري، چالش¬ها و پيچيدگي¬هاي اين حوزه، الگوريتم هاي يادگيري عميق براي شناسايي ناهنجاري با يك دسته بندي جامع ارائه شده است. يك طبقه‌بندي سلسله مراتبي براي دسته‌بندي روش‌ها بر اساس يازده ديدگاه مدل‌سازي مختلف ارائه شده است، براي هر روش در خصوص فرض¬هاي مسئله، اهداف، مزايا، معايب و چگونگي بهبود چالش‌هاي بيان شده مورد بررسي و مقايسه قرار گرفته است. هدف از اين تحقيق ارائه يك مطالعه منسجم و كاربردي بر اساس روش هاي رايج يادگيري عميق در تشخيص ناهنجاري ميباشد.

12/1/2021 12:00:00 AM

73532

1400/09/26

Anomaly detection whith deep learning for high dimensional

تشخيص ناهنجاري , تشخيص ناهنجاري يادگيري عميق , تشخيص ناهنجاري يادگيري عميق

anomaly detection , anomaly detection deep learning , high dimensions